[發明專利]一種基于超聲影像的肺炎辨識方法、裝置和計算機設備

在審

• 申請號: 202210333027.7
• 申請日: 2022-03-31
• 公開（公告）號: CN114693643A
• 公開（公告）日: 2022-07-01
• 發明（設計）人: 姜濤;楊光;萬翔;田豐;趙晉波;倪云峰;鐘代星;王孝彬;楊珍
• 申請（專利權）人: 中國人民解放軍空軍軍醫大學;西安科技大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06V10/764;G06V10/82;G06V10/80;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 陜西銘一知識產權代理有限公司 61287
• 代理人: 馬歆甜

1.一種基于超聲影像的肺炎辨識方法，其特征在于，包括：

獲取二維超聲影像；

構建多尺度信息融合的深度殘差網絡模型，所述模型包括：原始殘差連接的子網絡ResNet模塊和特征金字塔FPN子網絡模塊；

將二維超聲影像輸入所述多尺度信息融合的深度殘差網絡模型中；其中，

所述原始殘差連接的子網絡ResNet模塊，利用交替堆疊的卷積和池化模塊、殘差連接模塊、非線性激活函數ReLU，自底向上逐層自適應提取二維超聲影像中肺炎病理多尺度特征，降采樣處理后得到具有高層語義信息的特征；

所述特征金字塔FPN子網絡模塊，自頂向下對二維超聲影像進行底層紋理特征提取，并與下一級特征圖相連，使底層紋理特征與具有高層語義信息的特征自適應融合；

采用深度殘差網絡的全局均值池化和非線性全連接層，將融合后的特征投影到二分類模式空間中進行肺炎辨識。

2.如權利要求1所述的一種基于超聲影像的肺炎辨識方法，其特征在于，所述降采樣，包括：對二維超聲影像降采樣32倍。

3.如權利要求1所述的一種基于超聲影像的肺炎辨識方法，其特征在于，還包括：

將多名正常以及肺炎患者的超聲影像作為訓練集；

采用二值交叉熵損失作為所述多尺度信息融合的深度殘差網絡模型的損失函數；

根據訓練集和損失函數，采用反向傳播算法BP對所述多尺度信息融合的深度殘差網絡模型進行訓練。

4.如權利要求3所述的一種基于超聲影像的肺炎辨識方法，其特征在于，所述訓練集χ表示為：

其中，x_i表示第i個超聲影像樣本；y_i∈{0,1}，0代表正常，1代表肺炎；M表示采集到的樣本數量。

5.如權利要求3所述的一種基于超聲影像的肺炎辨識方法，其特征在于，所述損失函數J如下：

其中，表示模型預測第i個樣本患有肺炎的概率，值越大，表明該樣本對應患者患有肺炎的概率越大；M表示采集到的樣本數量。

6.如權利要求3所述的一種基于超聲影像的肺炎辨識方法，其特征在于，所述訓練的優化器選用Adam，初始學習率lr設置為0.001，每個batch的樣本量大小設置為16。

7.如權利要求3任一項所述的一種基于超聲影像的肺炎辨識方法，其特征在于，還包括：

采用訓練后的模型預測待評估的超聲影像驗證集；

采用精度P、召回率R，及F測度F₁指標定量評估訓練過程中模型在驗證集上的性能；其中，精度P、召回率R分別表征了模型在檢測肺炎時的準確性和完備性，指標F₁從準確性和完備性方面綜合評估模型異常檢測的有效性能。

8.一種基于超聲影像的肺炎辨識裝置，其特征在于，包括：

超聲獲取單元，用于獲取二維超聲影像；

模型構建單元，用于構建多尺度信息融合的深度殘差網絡模型；所述模型包括：

原始殘差連接的子網絡ResNet模塊，用于利用交替堆疊的卷積和池化模塊、殘差連接模塊、非線性激活函數ReLU，自底向上逐層自適應提取二維超聲影像中肺炎病理多尺度特征，降采樣處理后得到具有高層語義信息的特征；

特征金字塔FPN子網絡模塊，用于自頂向下對二維超聲影像進行底層紋理特征提取，并與下一級特征圖相連，使底層紋理特征與具有高層語義信息的特征自適應融合；

肺炎辨識模塊，用于采用深度殘差網絡的全局均值池化和非線性全連接層，將融合后的特征投影到二分類模式空間中進行肺炎辨識。

9.一種計算機設備，包括存儲器和處理器，所述存儲器存儲有計算機程序，其特征在于，所述處理器執行所述計算機程序時實現權利要求1～7中任一項所述的方法的步驟。